
Depth Pro 2 vs Depth Anything 3: metri o pose della fotocamera
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 186 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 358 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 139 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Chiedi a entrambi i modelli la stessa domanda — quanto è distante? — e solo uno dei due risponde in metri. Depth Pro 2, il modello metrico monoculare di profondità di Apple, restituisce una mappa di profondità in metri lungo l'asse di visuale della fotocamera, oltre alla lunghezza focale utilizzata. Depth Anything 3, il modello foundation di ByteDance Seed rilasciato a novembre 2025, elenca la "profondità relativa" come sua prima capacità, insieme alla stima della posa della fotocamera e al condizionamento della posa. Fornisce una profondità fino a una scala sconosciuta e fornisce le fotocamere che rendono recuperabile quella scala.
Quella singola differenza determina la maggior parte delle integrazioni prima ancora che si arrivi a parlare di accuratezza, ed è il motivo per cui un confronto diretto di benchmark tra questi due è meno utile di quanto sembri. I due laboratori riportano metriche diverse, rispetto a baseline diverse, e nessuno dei due ha eseguito la valutazione dell'altro. Quanto segue è ciò che ciascun repository documenta effettivamente, con le dichiarazioni del fornitore etichettate come tali.
Due output diversi, che differiscono di una lettera
L'oggetto di predizione di Depth Anything 3 è il punto di partenza più chiaro, perché è insolitamente esplicito. Una singola chiamata restituisce la profondità come [N, H, W] float32, una mappa di confidenza della stessa forma, gli estrinseci come matrici world-to-camera [N, 3, 4] e gli intrinseci come [N, 3, 3]. Le esportazioni vanno in GLB, NPZ, PLY, mini-NPZ, PLY Gaussian-splat o un video Gaussian-splat.
L'output di Depth Pro 2 è più circoscritto e immediatamente più utile se la risposta di cui hai bisogno è un numero. Restituisce una mappa di profondità in metri, una lunghezza focale in pixel e — nell'output NPZ della riga di comando — quei due array e nient'altro. La conversione in una nuvola di punti è lasciata a te, usando la lunghezza focale e il centro dell'immagine come punto principale, o il tuo punto principale reale se la fotocamera è calibrata.
• Scala — L'output di Depth Pro 2 è metrico; la profondità di Depth Anything 3 è relativa, con la scala recuperata dalla posa e dai parametri intrinseci che restituisce anch'esso.
• Parametri della fotocamera — Depth Anything 3 predice parametri estrinseci e intrinseci; Depth Pro 2 predice solo la lunghezza focale e non ha alcuna nozione di dove si trovi la fotocamera.
• Confidenza — Depth Anything 3 restituisce una mappa di confidenza per pixel; Depth Pro 2 non ne restituisce alcuna.
• Input — Depth Pro 2 accetta una foto, un file video o un feed video live; Depth Anything 3 accetta un elenco di immagini come un unico set di viste.
• Licenza — I pesi di Depth Pro 2 sono destinati esclusivamente alla ricerca secondo la licenza Apple Machine Learning Research Model; Depth Anything 3 è Apache 2.0 a 0,08B e 0,12B, CC BY-NC 4.0 a 0,35B e 1,15B.
Le quattro dimensioni non sono allineate.
Entrambe le famiglie pubblicano quattro checkpoint, e i conteggi dei parametri si collocano quasi negli stessi punti, il che rende allettante confrontarli uno a uno. Resisti a questa tentazione.
Depth Anything 3 pubblica 0,08B, 0,12B, 0,35B e 1,15B — 34,3M, 135,4M, 410,9M e 1.355,7M parametri secondo i metadati safetensors. Depth Pro 2 pubblica 24M, 97M, 334M e 872M. Le due dimensioni più piccole di Depth Pro 2 sono significativamente più piccole delle loro controparti Depth Anything 3, e la più grande è significativamente più piccola di DA3 Giant.
Le licenze si dividono lungo la stessa linea delle dimensioni, e questo è il dettaglio che conta commercialmente: i due checkpoint piccoli di Depth Anything 3 sono Apache 2.0, e i suoi due grandi sono CC BY-NC 4.0. I quattro di Depth Pro 2 sono tutti sotto la stessa licenza solo per ricerca, definita nel repository come ricerca scientifica non commerciale e sviluppo accademico. Quindi, se hai bisogno di un modello di profondità licenziabile commercialmente, Depth Anything 3-Small o -Base è l'unica opzione in questo confronto, e Depth Pro 2 non lo è a nessuna dimensione.
Depth Anything 3 ha anche una revisione 1.1, DA3-GIANT-1.1 e DA3-LARGE-1.1, con un numero di parametri identico agli originali e repository creati l'11 dicembre 2025. La scheda originale di GIANT descrive la stima gaussiana 3D come una capacità aggiuntiva offerta dalle versioni large, quindi la superficie di esportazione è più ampia della sola profondità.
Cosa sostiene ciascun laboratorio, e rispetto a cosa
La scheda di Depth Anything 3 formula due affermazioni comparative e nomina le baseline per entrambe: supera significativamente Depth Anything 2 per la stima monoculare della profondità e VGGT per la stima della profondità e della posa da più viste. Si tratta di affermazioni specifiche e falsificabili su modelli nominati, e i numeri dettagliati si trovano nel paper anziché nella scheda.
La scheda di Depth Pro 2 contiene un'unica affermazione e indica la propria baseline soltanto come "lavori precedenti che operano su un singolo frame o su più frame". Riporta che Depth Pro 2 supera tale insieme su Boundary F1 e Jitter, come media sui dataset Sintel e Spring, e lo illustra con un grafico a dispersione di queste due metriche, con gli assi che riportano Boundary F1 da 0 a 0,3 e Jitter da 0,1 a 0.

Depth Anything 3 è in quel grafico — come DA3-NGL, una delle baseline multi-frame a cerchio vuoto che si colloca a circa 0,06 di Boundary F1 e 0,018 di jitter. Esiste quindi un confronto, ma solo sulle due metriche di Apple, calcolate come media su Sintel e Spring, senza che accanto siano riportati valori numerici di profondità di Depth Anything 3. Il set di confronto di ByteDance è composto da Depth Anything 2 e VGGT, sulle metriche scelte da ByteDance, e DA3-NGL non viene discusso lì. I due insiemi non si incontrano: qualunque scheda si legga, è l'altro laboratorio ad aver scelto gli assi, e nessuno dei due ha pubblicato una tabella condivisa.
Non è un modo per aggirare la scelta di un vincitore. È lo stato effettivo delle prove, e vale la pena dirlo chiaramente, perché l'alternativa — scegliere il grafico del fornitore che lusinga il modello che già preferisci — è il modo in cui si prendono cattive decisioni di acquisto.
La coerenza video è l'intero argomento di Apple.
Depth Pro 2 esiste a causa di una debolezza specifica nella profondità monoculare: eseguendo un modello per singolo fotogramma su un video, la profondità sfarfalla, perché ogni fotogramma viene stimato senza conoscere i suoi vicini. La soluzione di Apple è architetturale. Il modello è un transformer multi-vista sui fotogrammi di input e, dopo il primo terzo dei suoi blocchi, l’attenzione alterna tra intra-fotogramma e inter-fotogrammi. Un decoder DPT per singolo fotogramma assembla poi i token provenienti da diversi blocchi in mappe di feature a una risoluzione compresa tra un trentaduesimo e un quarto di quella di input.

Da ciò derivano le modalità operative. La modalità con buffer, quella predefinita per i file video, elabora clip di 16 fotogrammi sovrapposte di quattro, in modo che la profondità resti stabile attraverso i confini tra le clip. La modalità senza buffer predice ciascun fotogramma non appena arriva, a partire da quel fotogramma e dai 15 precedenti, per l'uso con la fotocamera, con l'avvertenza documentata che i primi fotogrammi di un flusso hanno meno predecessori e quindi una profondità meno stabile. A un video viene assegnata un'unica lunghezza focale per tutti i fotogrammi — la mediana delle stime sulla prima finestra.
Depth Anything 3 gestisce più viste congiuntamente per progettazione, poiché è ciò che fa un modello basato su insiemi di viste, ma la sua impostazione è la ricostruzione anziché la stabilizzazione. Il linguaggio della scheda riguarda il recupero dello spazio visivo da qualsiasi vista, e gli output — parametri estrinseci, parametri intrinseci, point map, Gaussian splat — sono il linguaggio di una pipeline di ricostruzione 3D. Se il tuo problema è "questo video sfarfalla", Depth Pro 2 ha una modalità apposita e Depth Anything 3 è un prodotto diverso.
Ottenere la profondità in metri in entrambi i casi
La profondità relativa di Depth Anything 3 non è tanto un limite quanto una divisione del lavoro: il modello ti fornisce le camere, e sono le camere a trasformare la profondità relativa in metri. Quella conversione è un lavoro vero e proprio — un fattore di scala per scena, da una baseline nota, una dimensione nota dell'oggetto o un sensore — ed è lo stesso lavoro che Depth Pro 2 ha già svolto internamente.
L'output metrico di Depth Pro 2 presenta i propri modi di fallire, ed è documentato. La profondità scala con la lunghezza focale, quindi una lunghezza focale troppo lunga del 10 percento colloca tutto il 10 percento più lontano. I pixel del cielo restituiscono una profondità infinita o, soprattutto sui modelli più piccoli, una profondità finita di diversi chilometri, perciò il README ti dice di ritagliare l'intervallo prima di costruire una nuvola di punti o un'immagine a colori. In Python, la profondità inversa è normalizzata per la lunghezza focale ed è uguale a focallength_px / (width * depth). Uno stream appartiene a un video e conserva i suoi frame recenti e la sua lunghezza focale finché non ne apri uno nuovo.
Nessuno dei due modelli sostituisce un sensore di profondità su una superficie priva di texture o riflettente. Entrambi stanno deducendo la scala da indizi visivi, ed entrambi falliranno negli stessi tipi di contesti per gli stessi tipi di motivi.
Quanto costa eseguirli entrambi
La differenza pratica sta nel grafo delle dipendenze. Depth Pro 2 si installa come pacchetto Python dal repository GitHub con uv, espone una riga di comando (uv run depth-pro-2 predict -i photo.jpg -o out/) e un'API Python, e include esportazioni Core ML per Apple silicon oltre a un'app demo per Mac. Il repository specifica esplicitamente che contiene il codice per eseguire i modelli ma non quello per l'addestramento o la valutazione.
Depth Anything 3 si installa come pacchetto editable dal repository ByteDance Seed ed espone una CLI (da3 auto path/to/images --export-format glb) con un processo backend opzionale per l'inferenza ripetuta, che è il tipo di dettaglio che emerge solo quando qualcuno lo esegue in loop.
Entrambi sono checkpoint di ricerca monofunzionali, e nessuno dei due è qualcosa che puoi instradare. Ciò che sta attorno a uno stadio di profondità è lavoro da modello linguistico — descrivere una scena, decidere cosa fare al riguardo, mettere per iscritto il risultato — ed è qui che un singolo endpoint si guadagna il suo posto: OrcaRouter mette oltre 200 modelli ospitati dietro un'unica API compatibile con OpenAI, con markup dello 0% rispetto al prezzo di listino del provider, così gli stadi di ragionamento attorno al tuo modello di profondità sono una sola chiave e una sola fattura. Il checkpoint di profondità resta una dipendenza che fissi; la pipeline che lo circonda non deve esserlo.
Con quale iniziare?
Inizia con Depth Anything 3 se stai ricostruendo una scena da più viste e vuoi le camere, le point map e i Gaussian splat in un'unica chiamata, e se una licenza Apache 2.0 alle dimensioni piccole è ciò che rende il progetto possibile. Il suo set di confronto è nominato, i suoi output sono ampi, e i checkpoint piccoli sono le uniche cose commercialmente licenziabili in questo articolo.
Inizia con Depth Pro 2 se la risposta che ti serve è una distanza in metri da un singolo fotogramma o da un feed live, e se la stabilità da un fotogramma all'altro è la proprietà senza la quale la tua applicazione non funziona. Aspettati di ritagliare la profondità del cielo, di fissare deliberatamente la lunghezza focale e di essere in anticipo — i repository hanno decine di download, il codice ha un solo commit e il rapporto tecnico è ancora un segnaposto.
Quello che nessuno dei due modelli ti offre è un'affermazione difendibile che batta l'altro, perché nessuno dei due laboratori ha eseguito il test. Scegli in base al formato di output, alla licenza e al fatto che il tuo input sia un video. A queste tre domande oggi ci sono risposte; alla classifica no.

